一个深度学习模型,用于自动细分肠膜内和腹腔内出血,用于导管穿孔路径规划

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 脑内出血 (ICH) 携带高死亡率,特别是在二次脑内出血 (IVH) 时.
• 对ICH的最佳手术管理仍然是一个重要的神经外科挑战.
• 精确的血瘤细分对于有效的治疗计划至关重要.

研究的目的:

• 开发一种深度学习模型,用于对内出血 (IPH) 和IVH的自动细分.
• 为了实现ICH治疗的精确导管穿孔路径规划.
• 为了提高血液瘤体积测量和心脏中枢点估计的准确性和效率.

主要方法:

• 开发一个3D U-Net模型,包括一个多尺度边界意识模块和一致性损失.
• 从计算机断层扫描 (CT) 图像中对IPH和IVH进行细分.
• 对穿孔路径规划模型的临床验证,包括体积测量和心脏中心偏差估计.

主要成果:

• 该模型实现了96%的准确性,用于对内出血路径进行规划.
• 与现有模型相比,更高的细分效率和对心室内血瘤的中枢神经预测.
• 通过实验结果和临床验证证明了临床应用的潜力,351例 (103例在测试组中).

结论:

• 拟议的深度学习模型为细分脑出血提供了一个高效和准确的解决方案.
• 该模型促进了精确的导管穿孔路径规划,解决了神经外科手术的关键需求.
• 该方法显示出强大的概括能力和广泛临床采用的潜力.